本發(fā)明涉及遙感影像領(lǐng)域，特別涉及一種面向多云雨地區(qū)的碎片化遙感影像合成方法及裝置。

背景技術(shù)：

我國(guó)東部和南部省份地區(qū)由于受海洋性季風(fēng)或熱帶、亞熱帶氣候條件的影響，常年多云雨天氣，尤其在作物(植被)生長(zhǎng)季內(nèi)晴空天氣更為少見，在遙感影像上表現(xiàn)為大面積的云影覆蓋，由于云層遮擋導(dǎo)致地表信息無(wú)法被遙感傳感器接收，使得依賴于光學(xué)衛(wèi)星遙感的資源調(diào)查、生態(tài)環(huán)境保護(hù)及作物遙感監(jiān)測(cè)等遙感應(yīng)用無(wú)法獲得關(guān)鍵時(shí)相的無(wú)云影像數(shù)據(jù)。隨著我國(guó)衛(wèi)星技術(shù)的不斷進(jìn)步，多種不同空間分辨率和時(shí)間分辨率的衛(wèi)星相繼發(fā)射并投入使用，衛(wèi)星過(guò)境頻率大大提高，為實(shí)現(xiàn)地表信息的持續(xù)觀測(cè)提供了潛力。在此背景下，如何從多星、多時(shí)相的有云影像中盡可能挖掘有用信息服務(wù)于遙感應(yīng)用是當(dāng)前遙感應(yīng)用中亟需解決的難題。

現(xiàn)有的去云處理技術(shù)主要基于單一類型傳感器，如Landsat衛(wèi)星的多時(shí)相遙感影像，選擇同一區(qū)域的1期無(wú)云影像作為參考底圖，通過(guò)對(duì)有云影像的輻射歸一化和云檢測(cè)，在使得有云影像與參考影像具有相對(duì)一致的輻射特征同時(shí)，計(jì)算出云分布范圍，進(jìn)而利用無(wú)云參考影像中的像元對(duì)有云影像中的云遮蓋區(qū)域進(jìn)行替換，從而達(dá)到去云的目的。技術(shù)流程如圖1所示，具體包括以下步驟：

首先對(duì)有云影像和參考影像進(jìn)行相對(duì)輻射歸一化，使兩者具有近似的色調(diào)和亮度等輻射特征。相對(duì)輻射歸一化采用迭代加權(quán)多元變化檢測(cè)變換法(Iteration Re-weight Multivariate Alteration Detection,簡(jiǎn)稱IR-MAD)，即利用多元變化檢測(cè)的尺度不變特性來(lái)獲取同區(qū)域兩影像中的輻射不變像元(又稱 偽不變特征，如建筑物、道路、沙漠等，與植被不同，這些地類具有較為穩(wěn)定的反射率，一般不隨時(shí)間發(fā)生變化)；基于這些偽不變特征像元對(duì)，采用正交回歸方法計(jì)算有云影像和參考影像各波段的回歸方程，然后利用該回歸方程對(duì)有云影像逐波段地進(jìn)行相對(duì)輻射歸一化。

然后，對(duì)輻射歸一化后的有云影像采用閾值分割與聚類相結(jié)合的方法進(jìn)行自動(dòng)云檢測(cè)，確定云分布范圍。由于云層在影像各波段中均為高反射，表現(xiàn)為高亮區(qū)域，與其它地物差異明顯，利用云層的這種特性進(jìn)行云檢測(cè)。具體步驟為：1.通過(guò)聚類合并相似像元來(lái)完成影像分塊；2.依據(jù)云區(qū)與地物像元的亮度值分布區(qū)間，利用閾值劃分出影像中云區(qū)的種子區(qū)域和地物的種子區(qū)域，完成初步云檢測(cè)。3.以閾值法檢測(cè)的種子區(qū)域?yàn)榛A(chǔ)，再次利用聚類的思想，對(duì)尚未識(shí)別的區(qū)域進(jìn)行細(xì)化聚類識(shí)別。

最后，利用光譜線性回歸與云區(qū)域形態(tài)學(xué)膨脹相結(jié)合的方法，對(duì)影像云區(qū)域進(jìn)行替換填補(bǔ)，起到去云效果。具體過(guò)程如下：1.將同一地區(qū)不同時(shí)期的無(wú)云參考影像和目標(biāo)圖像中相對(duì)應(yīng)的無(wú)云區(qū)域進(jìn)行光譜線性回歸擬合，以進(jìn)一步消弱兩幅圖像中的光譜差異，得到參考影像的亮度歸一化影像。2.使用平坦圓盤結(jié)構(gòu)對(duì)有云影像中的云區(qū)域進(jìn)行膨脹，與亮度歸一化影像進(jìn)行融合替換，最終得到少云或無(wú)云影像。

現(xiàn)有技術(shù)缺點(diǎn)為：

1.現(xiàn)有技術(shù)大多僅利用了單一衛(wèi)星來(lái)源的多時(shí)相數(shù)據(jù)進(jìn)行有云影像的替換填補(bǔ)，在數(shù)據(jù)豐度上難以滿足較高時(shí)效的應(yīng)用需求。

2.現(xiàn)有技術(shù)對(duì)多時(shí)相影像的相對(duì)輻射歸一化處理中，通過(guò)采用不同方法尋找影像對(duì)中的偽不變特征點(diǎn)建立回歸方程，對(duì)整景影像進(jìn)行全局化校正，并沒有對(duì)不同傳感器本身的輻射差異和光照、大氣條件等外部因素差異進(jìn)行區(qū)分，也沒有考慮不同地類之間的輻射特性差異。

3.現(xiàn)有技術(shù)基于無(wú)云參考影像實(shí)現(xiàn)對(duì)目標(biāo)影像的替補(bǔ)去云處理，其中作為參考的無(wú)云影像的獲取是該方法的必要前提。然而在南方多云雨地區(qū)，要滿足無(wú)云影像覆蓋非常困難，限制了該方法的有效應(yīng)用。

4.現(xiàn)有技術(shù)采用基于聚類的云檢測(cè)方法僅實(shí)現(xiàn)了對(duì)云分布范圍的檢測(cè)， 而對(duì)于遙感影像而言，云層及其陰影區(qū)域通常是造成數(shù)據(jù)信息缺失的重要因素。該方法無(wú)法對(duì)由云引起的陰影區(qū)域?qū)崿F(xiàn)有效識(shí)別和替補(bǔ)，這點(diǎn)也限制了方法的應(yīng)用效果。

公開于該背景技術(shù)部分的信息僅僅旨在增加對(duì)本發(fā)明的總體背景的理解，而不應(yīng)當(dāng)被視為承認(rèn)或以任何形式暗示該信息構(gòu)成已為本領(lǐng)域一般技術(shù)人員所公知的現(xiàn)有技術(shù)。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的在于提供一種面向多云雨地區(qū)的碎片化遙感影像合成方法及裝置，從而克服現(xiàn)有技術(shù)多時(shí)相數(shù)據(jù)的豐度較低、輻射特性差的缺點(diǎn)。

本發(fā)明的另一目的在于提供一種面向多云雨地區(qū)的碎片化遙感影像合成方法及裝置，從而克服現(xiàn)有技術(shù)無(wú)云參考影像獲取難、云層及其陰影區(qū)域造成數(shù)據(jù)信息缺失的缺點(diǎn)。

為實(shí)現(xiàn)上述目的，根據(jù)本發(fā)明一方面，提供了一種面向多云雨地區(qū)的碎片化遙感影像合成方法，包括以下步驟：

S101：獲取多云雨地區(qū)的多星、多時(shí)相的初始影像數(shù)據(jù)集；

S102：對(duì)所述初始影像數(shù)據(jù)集進(jìn)行傳感器和外部因子的輻射差異校正以獲取輻射特征一致的第一影像數(shù)據(jù)集；

S103：獲取所述第一影像數(shù)據(jù)集的云層及其陰影分布范圍，通過(guò)掩膜處理得到所述多云雨地區(qū)的無(wú)云數(shù)據(jù)碎片集；

S104：從所述無(wú)云數(shù)據(jù)碎片集選取基準(zhǔn)數(shù)據(jù)子集，利用其它所述無(wú)云數(shù)據(jù)碎片集對(duì)缺失區(qū)域進(jìn)行補(bǔ)修，獲取所述多云雨地區(qū)的完整無(wú)云合成影像。

為實(shí)現(xiàn)上述目的，根據(jù)本發(fā)明另一方面，提供了一種面向多云雨地區(qū)的碎片化遙感影像合成裝置，具體包括：

數(shù)據(jù)獲取模塊，用于獲取多云雨地區(qū)的多星、多時(shí)相的初始影像數(shù)據(jù)集；

數(shù)據(jù)校正模塊，用于對(duì)所述初始影像數(shù)據(jù)集進(jìn)行傳感器和外部因子的輻射差異校正以獲取輻射特征一致的第一影像數(shù)據(jù)集；

數(shù)據(jù)掩膜模塊，用于獲取所述第一影像數(shù)據(jù)集的云層及其陰影分布范圍， 通過(guò)掩膜處理得到所述多云雨地區(qū)的無(wú)云數(shù)據(jù)碎片集；

修補(bǔ)整合模塊，用于從所述無(wú)云數(shù)據(jù)碎片集選取基準(zhǔn)數(shù)據(jù)子集，利用其它所述無(wú)云數(shù)據(jù)碎片集對(duì)缺失區(qū)域進(jìn)行補(bǔ)修，獲取所述多云雨地區(qū)的完整無(wú)云合成影像。

與現(xiàn)有技術(shù)相比，本發(fā)明具有如下有益效果：

本發(fā)明在多星、多時(shí)相數(shù)據(jù)聯(lián)合基礎(chǔ)上，充分利用云影影像，尤其是常規(guī)處理中通常被舍棄的高云量影像當(dāng)中的有用像元區(qū)域，通過(guò)碎片化有效數(shù)據(jù)的利用方式實(shí)現(xiàn)無(wú)云影像合成，有效提高多云雨地區(qū)的遙感觀測(cè)時(shí)空覆蓋度。

本發(fā)明在相對(duì)輻射歸一化處理當(dāng)中考慮了傳感器、外部因素以及不同地類之間的輻射特性差異，按地物類別進(jìn)行半自動(dòng)的高精度輻射校正。同時(shí)，對(duì)云層及其陰影都做了有效識(shí)別提取，克服了常規(guī)方法中僅對(duì)云層進(jìn)行檢測(cè)的不足，并且事先無(wú)需目標(biāo)區(qū)域的完整無(wú)云參考影像作為替補(bǔ)數(shù)據(jù)源，提高了方法的應(yīng)用效果以及應(yīng)用范圍，為推進(jìn)我國(guó)國(guó)產(chǎn)衛(wèi)星數(shù)據(jù)的落地應(yīng)用以及我國(guó)南方常年多云雨地區(qū)的遙感監(jiān)測(cè)應(yīng)用提供強(qiáng)有力的數(shù)據(jù)支持。

本發(fā)明的其它特征和優(yōu)點(diǎn)將在隨后的說(shuō)明書中闡述，并且，部分地從說(shuō)明書中變得顯而易見，或者通過(guò)實(shí)施本發(fā)明而了解。本發(fā)明的目的和其他優(yōu)點(diǎn)可通過(guò)在所寫的說(shuō)明書、權(quán)利要求書、以及附圖中所特別指出的結(jié)構(gòu)來(lái)實(shí)現(xiàn)和獲得。

下面通過(guò)附圖和實(shí)施例，對(duì)本發(fā)明的技術(shù)方案做進(jìn)一步的詳細(xì)描述。

附圖說(shuō)明

附圖用來(lái)提供對(duì)本發(fā)明的進(jìn)一步理解，并且構(gòu)成說(shuō)明書的一部分，與本發(fā)明的實(shí)施例一起用于解釋本發(fā)明，并不構(gòu)成對(duì)本發(fā)明的限制。在附圖中：

圖1是現(xiàn)有遙感影像合成方法的流程圖。

圖2是根據(jù)本發(fā)明面向多云雨地區(qū)的碎片化遙感影像合成方法的流程圖。

圖3是根據(jù)本發(fā)明多源多時(shí)相影像相對(duì)輻射歸一化流程圖。

圖4a為L(zhǎng)andsat8-OLI基準(zhǔn)傳感器晴空影像，圖4b為GF1-WFV1目標(biāo)(待糾正)傳感器晴空影像。

圖5a為參考Landsat8影像，圖5b為待校正GF1-WFV1影像，圖5c為IR方法輻射歸一化影像，圖5d為本文方法輻射歸一化影像。

圖6是根據(jù)本發(fā)明云影檢測(cè)與影像有效數(shù)據(jù)生成的流程圖。

圖7a和圖7b是根據(jù)本發(fā)明同一地區(qū)的有云影像和無(wú)云影像。

圖8a是云層增強(qiáng)效果，圖8b是陰影增強(qiáng)效果，圖8c云層區(qū)域二值化分割效果，圖8d陰影區(qū)域二值化分割效果。

圖9a是原始影像，圖9b云影檢測(cè)結(jié)果，圖9c影像有效數(shù)據(jù)，圖9c中黑色部分為無(wú)數(shù)據(jù)區(qū)域。

圖10是根據(jù)本發(fā)明基于有效數(shù)據(jù)的影像合成流程圖。

圖11a-圖11h是根據(jù)本發(fā)明研究區(qū)的多云影像。

圖12是根據(jù)本發(fā)明基于有效數(shù)據(jù)的影像合成效果。

圖13是根據(jù)本發(fā)明面向多云雨地區(qū)的碎片化遙感影像合成方法的結(jié)構(gòu)圖。

圖14是根據(jù)本發(fā)明數(shù)據(jù)校正模塊的結(jié)構(gòu)圖。

圖15是根據(jù)本發(fā)明系數(shù)獲取子模塊的結(jié)構(gòu)圖。

圖16是根據(jù)本發(fā)明第一校正子模塊的結(jié)構(gòu)圖。

圖17是根據(jù)本發(fā)明數(shù)據(jù)掩膜模塊的結(jié)構(gòu)圖。

圖18是根據(jù)本發(fā)明修補(bǔ)整合模塊的結(jié)構(gòu)圖。

具體實(shí)施方式

下面結(jié)合附圖，對(duì)本發(fā)明的具體實(shí)施方式進(jìn)行詳細(xì)描述，但應(yīng)當(dāng)理解本發(fā)明的保護(hù)范圍并不受具體實(shí)施方式的限制。

在常規(guī)影像處理流程中，一般將云量大于50％的影像視為無(wú)用影像數(shù)據(jù)而舍棄，從而導(dǎo)致影像無(wú)云區(qū)域中有效像元信息的缺失。針對(duì)南方多云雨地區(qū)衛(wèi)星影像獲取困難，難以滿足大范圍無(wú)云影像覆蓋的應(yīng)用難題，本發(fā)明提出了多星、多時(shí)相影像聯(lián)合的方法提高數(shù)據(jù)覆蓋度，并采用基于碎片化無(wú)云 有效數(shù)據(jù)的方式進(jìn)行影像合成，從而滿足多云雨地區(qū)對(duì)無(wú)云影像數(shù)據(jù)的應(yīng)用需求。

如圖2所示，根據(jù)本發(fā)明具體實(shí)施方式的一種面向多云雨地區(qū)的碎片化遙感影像合成方法，包括以下步驟：

步驟S101：獲取多云雨地區(qū)的多星、多時(shí)相的初始影像數(shù)據(jù)集；

步驟S102：對(duì)初始影像數(shù)據(jù)集進(jìn)行傳感器和外部因子的輻射差異校正，消除多傳感器和多時(shí)相影像之間因傳感器性能、太陽(yáng)高度、大氣吸收和散射等引起的輻射亮度差異，獲取輻射特征一致的第一影像數(shù)據(jù)集；

步驟S103：對(duì)經(jīng)輻射歸一化校正的影像數(shù)據(jù)進(jìn)行云影檢測(cè)，獲取第一影像數(shù)據(jù)集的云層及其陰影分布范圍，通過(guò)掩膜處理得到多云雨地區(qū)的無(wú)云數(shù)據(jù)碎片集；

步驟S104：根據(jù)實(shí)際應(yīng)用對(duì)目標(biāo)傳感器及中心時(shí)相的要求，從無(wú)云數(shù)據(jù)碎片集選取基準(zhǔn)數(shù)據(jù)子集，利用其它無(wú)云數(shù)據(jù)碎片集對(duì)缺失區(qū)域進(jìn)行補(bǔ)修，獲取多云雨地區(qū)的完整無(wú)云合成影像。

本發(fā)明借助相對(duì)輻射歸一化、自動(dòng)化云影檢測(cè)、基于碎片化有效數(shù)據(jù)的影像合成等關(guān)鍵技術(shù)，從多星、多時(shí)相的有云影像數(shù)據(jù)中提取可用的像元區(qū)域，充分利用每一個(gè)像元信息，合成一定時(shí)間窗口內(nèi)的無(wú)云影像，為多云雨地區(qū)的遙感監(jiān)測(cè)應(yīng)用提供有力數(shù)據(jù)支撐。

上述步驟S102如圖3所示，具體包括：

步驟S201：基于晴空影像，采用分類回歸的方式獲取傳感器光譜歸一化系數(shù)；具體為：

此步驟中，以被選作參考影像的對(duì)應(yīng)傳感器為基準(zhǔn)，其它傳感器為待校正目標(biāo)，選取兩者具有重疊區(qū)域且時(shí)相相近(不超過(guò)1周)的晴空影像對(duì)進(jìn)行相對(duì)校正，此時(shí)可認(rèn)為大氣和地表覆蓋變化影響微小，兩影像間的輻射差異主要來(lái)自傳感器本身。傳感器的光譜歸一化過(guò)程具有相對(duì)獨(dú)立性，因此晴空影像對(duì)的選取在時(shí)空分布上可有別于待糾正的影像數(shù)據(jù)集。

首先，對(duì)影像進(jìn)行輻射定標(biāo)，將DN值(DN值(Digital Number)是遙感影像像元亮度值，記錄的地物的灰度值)轉(zhuǎn)換為輻亮度，使不同影像像元 值具有相同的量綱水平，消除傳感器間的量化級(jí)數(shù)(像元位深)差異對(duì)擬合精度的影響。

其次，分別將其它傳感器的晴空影像和參考傳感器的晴空影像的重疊區(qū)影像進(jìn)行植被、居民地、裸地、水體等大類的監(jiān)督分類，并分別在各地類中隨機(jī)自動(dòng)選取足夠數(shù)量的樣本點(diǎn)；

最后，根據(jù)獲取的樣本點(diǎn)集，針對(duì)兩影像中的不同波段和類別建立線性回歸方程，求取回歸系數(shù)即光譜歸一化系數(shù)。

衛(wèi)星傳感器在一定時(shí)間內(nèi)(通常為1-2年)性能相對(duì)穩(wěn)定，因此，傳感器的光譜歸一化系數(shù)在該時(shí)段內(nèi)可看作常量，并以查找表的形式加以利用，以提高參數(shù)復(fù)用率和適用范圍。表1是以Landsat8-LIO傳感器為基準(zhǔn)對(duì)GF-WFV1進(jìn)行傳感器校正的回歸模型，回歸方程系數(shù)即為對(duì)應(yīng)地類的光譜歸一化系數(shù)。

表1以Landsat8-LIO為基準(zhǔn)的GF-WFV1回歸模型

步驟S202：基于傳感器光譜歸一化系數(shù)，利用樣本傳遞再分類的方法對(duì)多星、多時(shí)相的初始影像數(shù)據(jù)集進(jìn)行半自動(dòng)分類，對(duì)分類后的影像數(shù)據(jù)集進(jìn)行傳感器輻射差異校正；

該步驟中，在遙感分類中，樣本質(zhì)量與分類精度密切相關(guān)，為保證樣本信息的高“保真度”，一般從待分類影像中進(jìn)行樣本的選取。當(dāng)同一樣本應(yīng)用于多景影像時(shí)，由于大氣狀況、光照和時(shí)相的差異容易造成同物異譜、同譜異物的現(xiàn)象，給分類帶來(lái)較大不確定性。結(jié)合時(shí)序影像對(duì)同一區(qū)域連續(xù)觀測(cè)的特點(diǎn)，提出了一種基于樣本傳遞的半自動(dòng)分類方法，將前期分類獲得的類別空間位置作為下一期分類的候選樣本位置，并針對(duì)新一期影像重新進(jìn)行樣本特征的計(jì)算、優(yōu)化及再分類。因此對(duì)于多源、多時(shí)相影像，只需對(duì)參考影像進(jìn)行一次人工選樣的監(jiān)督分類便可實(shí)現(xiàn)全數(shù)據(jù)集的自動(dòng)分類過(guò)程。

具體如下：

首先，將初始影像數(shù)據(jù)集的影像像元的量級(jí)與光譜歸一化系數(shù)匹配以進(jìn)行輻射定標(biāo)；定標(biāo)結(jié)果作為后繼處理的數(shù)據(jù)基礎(chǔ)。

其次，從定標(biāo)影像序列中選取數(shù)據(jù)質(zhì)量最優(yōu)的影像作為參考影像，其余則為待糾正影像，并對(duì)參考影像進(jìn)行樣本選取與最大似然分類，獲得參考影像的分類結(jié)果。

進(jìn)一步，在當(dāng)前參考影像及其分類結(jié)果基礎(chǔ)上，對(duì)下一期待糾正影像進(jìn)行樣本篩選與樣本純化以得到全類別樣本；

最后，利用全類別樣本對(duì)待糾正影像進(jìn)行最大似然分類，并根據(jù)傳感器的類型，對(duì)各類別待糾正影像對(duì)應(yīng)的像元集合進(jìn)行傳感器光譜歸一化校正。

通過(guò)樣本傳遞的自動(dòng)分類，有效提高了多源、多時(shí)相影像分類及輻射歸一化的處理效率。其中，樣本篩選和樣本純化結(jié)合了前、后兩期影像的各自特點(diǎn)進(jìn)行樣本的精化，對(duì)降低計(jì)算復(fù)雜度和提高再分類精度起關(guān)鍵作用。

(一)樣本篩選

樣本篩選以當(dāng)前期參考影像及其分類結(jié)果為基礎(chǔ)，從影像重疊區(qū)中計(jì)算和獲取各地類具有代表性的像元空間位置集，作為下一期待糾正影像的候選樣本空間位置。一般而言，同類地物具有相似的光譜特征，在n個(gè)影像波段構(gòu)成的n維光譜空間呈集中分布，離類別中心越近的像元具有更高的代表性。樣本篩選的方法是，首先獲取當(dāng)前參考影像及待糾正影像的重疊區(qū)范圍，在重疊區(qū)內(nèi)以分類圖像作為類別范圍約束，對(duì)當(dāng)前期參考影像逐類別計(jì)算平均光譜向量作為該類在n維光譜空間的類別中心；然后，以歐式距離為度量，計(jì)算每一類中所有像元光譜向量到類別中心的距離，并通過(guò)排序算法獲取距離類別中心最近的m個(gè)像元作為該類的典型像元樣本；最后將所有類別像元樣本對(duì)應(yīng)的空間位置集傳遞給待糾正影像，作為候選樣本的空間分布。m值的選擇要視具體情況而定，如果重疊區(qū)同一地物類型的表現(xiàn)形式較為復(fù)雜，可取較大m值以獲得足夠數(shù)量的樣本像元。本文m值取對(duì)應(yīng)類別像元總數(shù)的20％。

式中，ED為像元到類別中心的歐氏距離，x_i，y_i分別代表第i波段中像元和類別中心的灰度值，n為影像波段數(shù)。

(二)樣本純化

樣本純化針對(duì)待糾正影像進(jìn)行樣本特征的重新計(jì)算，剔除候選樣本中由于地物類型變化、云影遮蓋等造成的噪聲像元，提高樣本純度。本文采用方差純化法進(jìn)行樣本純化。首先結(jié)合待糾正影像逐類讀取候選樣本位置的像元光譜向量，在此基礎(chǔ)上求算每一類的平均光譜向量x_i；其次，逐類求解類內(nèi)各像元的光譜向量與平均光譜向量的方差var(X)(見公式2)，并對(duì)類內(nèi)的所有像元方差求方差平均值其中var(X)描述了像元與所屬類別的異質(zhì)程度，值越小，表明該像元與類別的差異越低，而則反映了類別中像元灰度值的平均離散程度，可作為像元異質(zhì)程度的參照。最后，針對(duì)每一地類取閾值 將各類中var(X)＞T_var的像元視為異質(zhì)像元予以剔除，最終獲得所有地類的純樣本像元集合。

式中，x_i和分別為像元光譜向量與平均光譜向量在i波段的灰度值，n為光譜向量維度，即影像波段數(shù)。

步驟S203：在分類的基礎(chǔ)上，基于NDVI差值直方圖和類別約束的PIFs自動(dòng)選取方法，實(shí)現(xiàn)影像數(shù)據(jù)集的外部因子的輻射歸一化。

該步驟中，結(jié)合基于分類的傳感器光譜歸一化特點(diǎn)，提出了基于NDVI差值直方圖和類別約束的偽不變特征點(diǎn)(Pseudo Invariant Features，PIFs)自動(dòng)選取方法，在此基礎(chǔ)上構(gòu)建待糾正影像與參考影像中各波段的線性回歸方程，實(shí)現(xiàn)對(duì)待糾正影像的輻射歸一化校正。NDVI及其差值的計(jì)算如式(3)、(4)所示。

ΔNDVI＝NDVI_r-NDVI_t (4)

式中，R_nir和R_red分別為影像近紅外與紅外波段反射率值；NDVI_r和NDVI_t分別為參考影像和待糾正影像的NDVI圖像。

影像經(jīng)傳感器相對(duì)校正后，對(duì)于反射率較穩(wěn)定的城鎮(zhèn)和裸地像元可認(rèn)為其只受到光照和大氣的整體影響而均勻變化，因此，無(wú)論原影像NDVI由于地物光譜多樣而呈單峰或多峰分布，其城鎮(zhèn)和裸地類別NDVI差值表現(xiàn)為相對(duì)穩(wěn)定和集中，可以近似以正態(tài)分布表示。輻射穩(wěn)定點(diǎn)位于ΔNDVI直方圖的均值μ附近，而受噪聲干擾的不穩(wěn)定點(diǎn)位于分布圖兩側(cè)。將位于μ±cσ范圍內(nèi)的點(diǎn)作為輻射穩(wěn)定的PIFs，其中σ為ΔNDVI的標(biāo)準(zhǔn)差，c為確定穩(wěn)定點(diǎn)區(qū)間的常量，本文取c＝1。以PIFs為樣本點(diǎn)，針對(duì)每一波段建立如式(5)的線性回歸方程，根據(jù)最小二乘原理，解算出每一波段的最優(yōu)系數(shù)k_i、b_i，對(duì)待糾正影像進(jìn)行線性回歸校正。

p_ri＝k_i×p_ti+b_i (i＝1，…,n) (5)

式中，p_ri和p_ti分別表示參考影像和待糾正影像的第i波段，k_i和b_i為擬合系數(shù)，n為波段數(shù)。

圖4a和圖4b分別為相同成像時(shí)間和區(qū)域的Landsat8-OLI和GF1-WFV1兩傳感器的晴空影像，可以看出影像在對(duì)比度、亮度等輻射特性上對(duì)比明顯，反映了衛(wèi)星傳感器在響應(yīng)特性、波段設(shè)置等方面存在系統(tǒng)性差異。同時(shí)也說(shuō)明將影像的相對(duì)輻射歸一化分為針對(duì)傳感器自身的輻射校正和針對(duì)光照等外部因素的輻射歸一化兩個(gè)過(guò)程具有必要性。圖5a和圖5b分別為2015年5月13日Landsat8-OLI和5月14日GF-WFV1在同一區(qū)域的原始影像數(shù)據(jù)，兩者輻射特征差異明顯，選取清晰度較高的Landsat8-OLI數(shù)據(jù)作為參考，對(duì)后者進(jìn)行相對(duì)輻射歸一化校正。圖5c和圖5d分別為采用常見的圖像回歸法(Image Regression,IR)與本文方法的校正效果，可見本發(fā)明所采用的輻射歸一化方法能夠更有效地對(duì)不同傳感器和時(shí)相影像間的輻射差異進(jìn)行校正。

進(jìn)一步地，如圖6所示，步驟S103具體包括：

其中，云層及其陰影區(qū)域是導(dǎo)致影像信息丟失的主要因素，目前常見的 方法大多針對(duì)云層區(qū)域進(jìn)行處理而忽略了對(duì)云陰影的檢測(cè)。本發(fā)明實(shí)現(xiàn)了對(duì)兩者的自動(dòng)化、有效檢測(cè)，并基于云影檢測(cè)結(jié)果對(duì)有云影像進(jìn)行了有效化處理，獲得僅包含可用像元的碎片化有效數(shù)據(jù)，具體為：

步驟S501：對(duì)具有云層及其陰影的影像數(shù)據(jù)，基于色彩空間變換增強(qiáng)云層及其陰影，獲取增強(qiáng)的云層及其陰影的分割閥值；

云層在遙感影像中具有灰度均值高、方差小的漫反射特征，而云影則表現(xiàn)為局部區(qū)域的低灰度值和低方差的特點(diǎn)，因此可以依據(jù)云層及陰影與其他地物在遙感影像上的灰度差異識(shí)別出薄云和陰影區(qū)域。為進(jìn)一步加大云影與其他地物的灰度對(duì)比，采用基于色彩空間變換的云影檢測(cè)方法，將多光譜影像的RGB波段變換至YC_bC_r空間，并分別針對(duì)云層和陰影進(jìn)行影像增強(qiáng)。色彩空間變換及云影增強(qiáng)的計(jì)算公式如下：

陰影區(qū)域增強(qiáng)公式為：

I_s＝(C_b+C_r)/Y (7)

云層區(qū)域增強(qiáng)公式：

I_h＝Y(jié)/I_s (8)

將增強(qiáng)的薄云和陰影特征影像分別拉伸至0-255范圍，采用Otsu方法進(jìn)行閾值選取。該方法基于最大類間方差思想，即選取合適的閾值T，使得下式取得最大值：

σ_b(T)＝ω₁(T)ω₂(T)[μ₁(T)-μ₂(T)]² (9)

其中

ω₁，μ₁分別表示灰度值在0到T之間像素的百分比和均值；ω₂，μ₂分別表示灰度值在T到255間像素的百分比和均值。根據(jù)Otsu法分別計(jì)算云影增強(qiáng)后兩幅影像的分割閾值T_h和T_s。兩幅影像中對(duì)應(yīng)[0,T_h]∩[0,T_s]的區(qū)域?yàn)闊o(wú)云影區(qū)域，由(T_h,255]確定云層區(qū)域，(T_s,255]確定陰影區(qū)域。以安徽中部某 地區(qū)的有云影像為例對(duì)云影檢測(cè)方法進(jìn)行了試驗(yàn)(見圖7a和圖7b)，云影增強(qiáng)和提取效果如圖8a-圖8d所示。

步驟S502：對(duì)云層及其陰影區(qū)域分別進(jìn)行數(shù)學(xué)形態(tài)膨脹與矢量化以得到云層及其陰影的分布范圍，完成云影檢測(cè)功能。

步驟S503：基于分割閥值，將云層及其陰影的分布范圍矢量與所述第一影像數(shù)據(jù)集進(jìn)行掩膜處理以生成無(wú)云的碎片化數(shù)據(jù)，如圖9a-圖9c可看出影像數(shù)據(jù)有效化過(guò)程示意圖。

最后，如圖10所示，步驟S104具體包括：

該步驟中，通過(guò)上述輻射歸一化及云影檢測(cè)和數(shù)據(jù)有效化處理，形成了影像合成的有效數(shù)據(jù)“原材料”?；谟行?shù)據(jù)集，結(jié)合目標(biāo)區(qū)域范圍以及對(duì)時(shí)相和主要數(shù)據(jù)源的業(yè)務(wù)需求，迭代地進(jìn)行數(shù)據(jù)合成，最終生成一定時(shí)段內(nèi)目標(biāo)區(qū)的無(wú)云合成影像，具體如下：

步驟S601：根據(jù)目標(biāo)區(qū)域范圍矢量生成預(yù)定義大小和波段數(shù)n的空白柵格數(shù)據(jù)作為合成底圖(所有像元均為NULL值)；

步驟S602：以目標(biāo)區(qū)域?yàn)榧s束，結(jié)合應(yīng)用對(duì)合成時(shí)段和數(shù)據(jù)源要求，從無(wú)云數(shù)據(jù)碎片集中優(yōu)先選取在目標(biāo)區(qū)域中面積占比最大的兩塊影像碎片作為基準(zhǔn)數(shù)據(jù)；

步驟S603：通過(guò)對(duì)兩塊影像碎片的重疊區(qū)中的所有像素進(jìn)行逐波段的回歸擬合，建立兩者間的擬合模型并進(jìn)行校正，使兩者間的亮度和色調(diào)保持一致，實(shí)現(xiàn)色彩平衡，進(jìn)一步將兩者進(jìn)行融合鑲嵌；

步驟S604：將融合數(shù)據(jù)逐波段復(fù)制至S601中的空白合成底圖中；

步驟S605：判斷底圖是否仍有空缺的無(wú)數(shù)據(jù)區(qū)域(像元在n個(gè)波段中均為NULL值)，如無(wú)空缺則完成影像的合成，反之計(jì)算空缺的區(qū)域范圍，并依據(jù)空缺區(qū)域的大小依次從所述無(wú)云數(shù)據(jù)碎片集中選取對(duì)應(yīng)區(qū)域的最大面積的影像碎片；

步驟S606：重復(fù)步驟S603～S605，直至目標(biāo)區(qū)域無(wú)數(shù)據(jù)空缺，最終實(shí)現(xiàn)無(wú)云影像的合成。

步驟S603中采用重疊區(qū)像元進(jìn)行回歸擬合的方式實(shí)現(xiàn)色彩均衡，而不采 用常見的直方圖匹配等方法是由于直方圖匹配更適合于具有較多地類的整幅影像的全局化色彩均衡，而有效數(shù)據(jù)碎片中的地類和面積較小，同時(shí)考慮數(shù)據(jù)已經(jīng)過(guò)輻射歸一化處理，因此線性回歸方法更適于局部小區(qū)域的色彩均衡。圖11為GF1-WFV有云影像，圖12是利用本發(fā)明方法基于GF1-WFV有云影像對(duì)面積為2.4萬(wàn)Km²區(qū)域進(jìn)行影像合成的效果圖。

本發(fā)明充分利用了以往視為無(wú)用數(shù)據(jù)的高云量影像進(jìn)行合成，有效提高了多云雨地區(qū)的遙感觀測(cè)時(shí)空覆蓋頻率，為基于國(guó)產(chǎn)衛(wèi)星數(shù)據(jù)的遙感應(yīng)用尤其是對(duì)時(shí)效要求高的應(yīng)用提供了強(qiáng)大數(shù)據(jù)支撐。同時(shí)將影像數(shù)據(jù)的相對(duì)輻射歸一化分為針對(duì)傳感器差異的校正以及針對(duì)光照、大氣等外部因素差異的輻射校正兩個(gè)過(guò)程，同時(shí)考慮了不同地類的輻射特性差異，按地物類別分別進(jìn)行輻射歸一化，有效提高了輻射歸一化效果。并實(shí)現(xiàn)了同時(shí)對(duì)云層及云陰影的有效檢測(cè)，克服了常見方法中僅對(duì)云層區(qū)域進(jìn)行識(shí)別的不足?？墒孪炔恍锜o(wú)云參考影像的支持，以碎片化的方式進(jìn)行影像合成，拓寬了方法的適用范圍，減小應(yīng)用難度。

根據(jù)本實(shí)施例另一方面，如圖13所示，提供了一種面向多云雨地區(qū)的碎片化遙感影像合成裝置，具體包括：

數(shù)據(jù)獲取模塊10，用于獲取多云雨地區(qū)的多星、多時(shí)相的初始影像數(shù)據(jù)集；

數(shù)據(jù)校正模塊20，用于對(duì)所述初始影像數(shù)據(jù)集進(jìn)行傳感器和外部因子的輻射差異校正以獲取輻射特征一致的第一影像數(shù)據(jù)集；

數(shù)據(jù)掩膜模塊30，用于獲取所述第一影像數(shù)據(jù)集的云層及其陰影分布范圍，通過(guò)掩膜處理得到所述多云雨地區(qū)的無(wú)云數(shù)據(jù)碎片集；

修補(bǔ)整合模塊40，用于從所述無(wú)云數(shù)據(jù)碎片集選取基準(zhǔn)數(shù)據(jù)子集，利用其它所述無(wú)云數(shù)據(jù)碎片集對(duì)缺失區(qū)域進(jìn)行補(bǔ)修，獲取所述多云雨地區(qū)的完整無(wú)云合成影像。

該實(shí)施例中優(yōu)選地，如圖14所示，數(shù)據(jù)校正模塊20具體包括：

系數(shù)獲取子模塊201，用于基于晴空影像，獲取傳感器光譜歸一化系數(shù)；

第一校正子模塊202，用于基于傳感器光譜歸一化系數(shù)，對(duì)多星、多時(shí)相 的初始影像數(shù)據(jù)集進(jìn)行分類，對(duì)分類后的影像數(shù)據(jù)集進(jìn)行傳感器輻射差異校正；

第二校正子模塊203，用于在分類的基礎(chǔ)上，基于NDVI差值直方圖和類別約束的PIFs選取方法，實(shí)現(xiàn)影像數(shù)據(jù)集的外部因子的輻射歸一化。

該實(shí)施例中優(yōu)選地，如圖15所示，系數(shù)獲取子模塊201具體包括：

影像定標(biāo)單元2011，用于選取參考傳感器和其它傳感器的晴空影像，對(duì)所述晴空影像進(jìn)行定標(biāo)；

樣本分類單元2012，用于將其它傳感器的晴空影像和參考傳感器的晴空影像的重疊區(qū)影像進(jìn)行分類，分別選取分類后的地塊影像的樣本點(diǎn)集；

系數(shù)獲取單元2013，用于根據(jù)獲取的樣本點(diǎn)集，分別針對(duì)其它傳感器的晴空影像和參考傳感器的晴空影像的不同波段和類別建立線性回歸方程以獲取光譜歸一化系數(shù)。

該實(shí)施例中優(yōu)選地，如圖16所示，第一校正子模塊202具體包括：

影像定標(biāo)單元2021，用于將所述初始影像數(shù)據(jù)集的影像像元的量級(jí)與光譜歸一化系數(shù)匹配以進(jìn)行輻射定標(biāo)；

影像分類單元2022，用于選取參考影像，其余為待糾正影像，對(duì)參考影像進(jìn)行樣本選取與最大似然分類，獲得參考影像的分類結(jié)果；

篩選純化單元2023，用于在當(dāng)前參考影像及其分類結(jié)果基礎(chǔ)上，對(duì)下一期待糾正影像進(jìn)行樣本篩選與樣本純化以得到全類別樣本；

傳感器校正單元2024，用于利用全類別樣本對(duì)待糾正影像進(jìn)行最大似然分類，并根據(jù)傳感器的類型，對(duì)各類別待糾正影像對(duì)應(yīng)的像元集合進(jìn)行傳感器光譜歸一化校正。

該實(shí)施例中優(yōu)選地，如圖17所示，數(shù)據(jù)掩膜模塊30具體包括：

云層增強(qiáng)子模塊301，用于獲取有云影像數(shù)據(jù)，基于色彩空間變換增強(qiáng)云層及其陰影；

閥值獲取子模塊302，用于獲取增強(qiáng)的云層及其陰影的分割閥值；

云層獲取子模塊303，用于對(duì)云層及其陰影區(qū)域分別進(jìn)行數(shù)學(xué)形態(tài)膨脹與矢量化以得到云層及其陰影的分布范圍；

數(shù)據(jù)獲取子模塊304，用于基于分割閥值，將云層及其陰影的分布范圍矢量與所述第一影像數(shù)據(jù)集進(jìn)行掩膜處理以生成無(wú)云的碎片化數(shù)據(jù)。

該實(shí)施例中優(yōu)選地，如圖18所示，修補(bǔ)整合模塊40具體包括：

區(qū)域選定子模塊401，用于根據(jù)目標(biāo)區(qū)域范圍矢量生成預(yù)定義大小和波段數(shù)n的空白柵格數(shù)據(jù)作為合成底圖；

基準(zhǔn)選取子模塊402，用于以目標(biāo)區(qū)域?yàn)榧s束，從所述無(wú)云數(shù)據(jù)碎片集中優(yōu)先選取在目標(biāo)區(qū)域中面積占比最大的兩塊影像碎片作為基準(zhǔn)數(shù)據(jù)；

融合鑲嵌子模塊403，用于通過(guò)對(duì)兩塊影像碎片的重疊區(qū)中的所有像素進(jìn)行逐波段的回歸擬合，建立兩者間的擬合模型并進(jìn)行校正，使兩者間的亮度和色調(diào)保持一致以實(shí)現(xiàn)色彩平衡，進(jìn)一步將兩者進(jìn)行融合鑲嵌；

第一合成子模塊404，用于將融合數(shù)據(jù)逐波段復(fù)制至空白合成底圖中；

第二合成子模塊405，用于判斷底圖是否仍有空缺的無(wú)數(shù)據(jù)區(qū)域，如無(wú)空缺則完成影像的合成，反之計(jì)算空缺的區(qū)域范圍，并依據(jù)空缺區(qū)域的大小依次從所述無(wú)云數(shù)據(jù)碎片集中選取對(duì)應(yīng)區(qū)域的最大面積的影像碎片；

其中，重復(fù)所述融合鑲嵌子模塊、所述第一合成子模塊和所述第二合成子模塊的動(dòng)作，直至目標(biāo)區(qū)域無(wú)數(shù)據(jù)空缺，實(shí)現(xiàn)無(wú)云影像的合成。

綜上，本發(fā)明在多星、多時(shí)相數(shù)據(jù)聯(lián)合基礎(chǔ)上，充分利用云影影像，尤其是常規(guī)處理中通常被舍棄的高云量影像當(dāng)中的有用像元區(qū)域，通過(guò)碎片化有效數(shù)據(jù)的利用方式實(shí)現(xiàn)無(wú)云影像合成，有效提高多云雨地區(qū)的遙感觀測(cè)時(shí)空覆蓋度。

本發(fā)明在相對(duì)輻射歸一化處理當(dāng)中考慮了傳感器、外部因素以及不同地類之間的輻射特性差異，按地物類別進(jìn)行半自動(dòng)的高精度輻射校正。同時(shí)，對(duì)云層及其陰影都做了有效識(shí)別提取，克服了常規(guī)方法中僅對(duì)云層進(jìn)行檢測(cè)的不足，并且事先無(wú)需目標(biāo)區(qū)域的完整無(wú)云參考影像作為替補(bǔ)數(shù)據(jù)源，提高了方法的應(yīng)用效果以及應(yīng)用范圍，為推進(jìn)我國(guó)國(guó)產(chǎn)衛(wèi)星數(shù)據(jù)的落地應(yīng)用以及我國(guó)南方常年多云雨地區(qū)的遙感監(jiān)測(cè)應(yīng)用提供強(qiáng)有力的數(shù)據(jù)支持。

本發(fā)明能有多種不同形式的具體實(shí)施方式，上面以圖1-圖18為例結(jié)合附圖對(duì)本發(fā)明的技術(shù)方案作舉例說(shuō)明，這并不意味著本發(fā)明所應(yīng)用的具體實(shí)例 只能局限在特定的流程或?qū)嵤├Y(jié)構(gòu)中，本領(lǐng)域的普通技術(shù)人員應(yīng)當(dāng)了解，上文所提供的具體實(shí)施方案只是多種優(yōu)選用法中的一些示例，任何體現(xiàn)本發(fā)明權(quán)利要求的實(shí)施方式均應(yīng)在本發(fā)明技術(shù)方案所要求保護(hù)的范圍之內(nèi)。

最后應(yīng)說(shuō)明的是：以上所述僅為本發(fā)明的優(yōu)選實(shí)施例而已，并不用于限制本發(fā)明，盡管參照前述實(shí)施例對(duì)本發(fā)明進(jìn)行了詳細(xì)的說(shuō)明，對(duì)于本領(lǐng)域的技術(shù)人員來(lái)說(shuō)，其依然可以對(duì)前述各實(shí)施例所記載的技術(shù)方案進(jìn)行修改，或者對(duì)其中部分技術(shù)特征進(jìn)行等同替換。凡在本發(fā)明的精神和原則之內(nèi)，所作的任何修改、等同替換、改進(jìn)等，均應(yīng)包含在本發(fā)明的保護(hù)范圍之內(nèi)。